4 Déplacements pour le motif commerce

Par

Maxime Parodi

Xavier Timbeau

Scotia Hille

Publié le

14 décembre 2023

Modifié le

4 décembre 2024

4.1 Proposition de méthode

L’évaluation des flux effectifs de mobilité professionnelle quotidienne repose sur la disponibilité d’une matrice origine destination très riche, disponible pour chaque année de recensement au niveau intercommunal, décrivant donc les flux de mobilité professionnelle quotidienne usuelle¹ pour toute la France. Cette information est également disponible pour les mobilités scolaires. En revanche, pour les autres motifs de déplacement, on ne dispose pas d’un équivalent.

¹ Et donc sans information de fréquence.

En particulier, le motif commerce est plus complexe à appréhender parce que les lieux de commerces sont nombreux, bien plus nombreux que les lieux d’étude ou de travail. Or le motif commerce est un élément important des mobilités. Le tableau 4.1 donne les valeurs agrégées moyenne pour un adulte en France hors Ile de France. Le motif « courses » représente 15% des kilomètres parcourus.

Tableau 4.1. Enquête mobilité des personnes 2019

Aire attraction 200-700k
km par personne par an
	par actif	par adulte
	travail	travail	etudes	courses	autres	total
km
très dense	5 922 [5 244, 6 750]	2 744 [2 406, 3 172]	885 [710, 1 100]	1 136 [971, 1 323]	2 166 [1 818, 2 575]	6 950 [6 394, 7 610]
densité intermédiaire	8 334 [7 062, 9 708]	4 084 [3 417, 4 799]	1 395 [965, 1 928]	1 736 [1 390, 2 083]	3 049 [2 523, 3 604]	10 265 [9 319, 11 340]
peu dense	9 952 [8 814, 11 102]	5 407 [4 687, 6 170]	1 827 [1 478, 2 238]	1 895 [1 576, 2 228]	4 178 [3 509, 5 068]	13 335 [12 266, 14 397]
très peu dense	11 135 [6 326, 15 620]	6 445 [3 478, 9 257]	3 225 [1 612, 5 145]	1 408 [763, 2 276]	1 870 [617, 3 521]	12 990 [9 998, 16 644]
total	7 929 [7 345, 8 547]	3 918 [3 616, 4 273]	1 334 [1 152, 1 539]	1 503 [1 366, 1 659]	2 963 [2 681, 3 308]	9 731 [9 270, 10 233]
relatif
très dense	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]
densité intermédiaire	1.4 [1.1, 1.7]	1.5 [1.2, 1.8]	1.6 [1, 2.3]	1.5 [1.2, 1.9]	1.4 [1.1, 1.8]	1.5 [1.3, 1.7]
peu dense	1.7 [1.4, 2]	2 [1.6, 2.4]	2.1 [1.5, 2.8]	1.7 [1.3, 2.1]	1.9 [1.5, 2.5]	1.9 [1.7, 2.1]
très peu dense	1.9 [1.1, 2.6]	2.3 [1.2, 3.5]	3.6 [1.6, 6.3]	1.3 [0.66, 2.1]	0.89 [0.28, 1.7]	1.9 [1.4, 2.4]
total	1.3 [1.2, 1.5]	1.4 [1.3, 1.6]	1.5 [1.3, 1.9]	1.3 [1.2, 1.5]	1.4 [1.2, 1.6]	1.4 [1.3, 1.5]
Source : EMP 2019, 11.5M adultes (AGE>=18) dans la zone 3k observations dans EMP19 512 répétitions de rééchantillonage entre crochets : intervalle de confiance à 95%

L’enquête EMC² donne une information construite sur le même schéma d’enquête que l’enquête mobilité nationale. On peut donc la comparer avec l’enquête nationale. Le tableau 4.2 est construit comme pour l’EMP. Ce tableau est encore en construction, et nous devons affiner l’utilisation des pondérations. D’autre part, il ne concerne que les jours de semaine, nous n’avons pas intégré la base pour les week-ends. D’autres vérifications sont nécessaires. A ce stade, notre exploitation de l’EMC² montre moins de kilomètres parcourus dans la métropole d’Aix Marseille Provence.

Tableau 4.2. Enquête certifiée CEREMA (EMC²), Aix Marseille Provence

Metropole Aix-Marseille-Provence
km par personne par an
	par actif	par adulte
	travail	travail	etudes	courses	autres	total
km
très dense	4 438 [4 253, 4 586]	1 960 [1 869, 2 035]	1 287 [1 222, 1 361]	973 [927, 1 019]	1 195 [1 149, 1 251]	5 420 [5 305, 5 532]
densité intermédiaire	2 906 [2 669, 3 132]	1 408 [1 287, 1 519]	871 [775, 984]	832 [758, 907]	735 [664, 811]	3 852 [3 665, 4 031]
peu dense	2 305 [1 614, 3 097]	1 024 [696, 1 409]	1 510 [792, 2 459]	761 [509, 1 043]	635 [431, 857]	3 941 [3 110, 4 953]
très peu dense	4 021 [419, 8 168]	1 673 [105, 3 886]	248 [0, 642]	21 [0, 1 162]	355 [2.2, 837]	2 662 [1 012, 4 733]
total	4 063 [3 915, 4 195]	1 833 [1 762, 1 894]	1 201 [1 145, 1 259]	941 [901, 980]	1 092 [1 053, 1 135]	5 067 [4 968, 5 171]
relatif
très dense	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]
densité intermédiaire	0.66 [0.6, 0.71]	0.72 [0.65, 0.79]	0.68 [0.59, 0.77]	0.85 [0.77, 0.96]	0.61 [0.55, 0.68]	0.71 [0.67, 0.75]
peu dense	0.52 [0.36, 0.7]	0.52 [0.35, 0.73]	1.2 [0.61, 1.9]	0.79 [0.53, 1.1]	0.53 [0.36, 0.71]	0.73 [0.57, 0.91]
très peu dense	0.9 [0.094, 1.8]	0.85 [0.054, 2]	0.2 [0, 0.5]	0.022 [0, 1.2]	0.29 [0.0019, 0.71]	0.49 [0.19, 0.88]
total	0.92 [0.9, 0.93]	0.94 [0.92, 0.95]	0.93 [0.91, 0.95]	0.97 [0.95, 0.99]	0.91 [0.9, 0.93]	0.94 [0.93, 0.94]
Source : EMP2 2019-2020, 1.5M adultes (age>=18) dans la zone 19.2k observations dans EMP19 512 répétitions de rééchantillonage entre crochets : intervalle de confiance à 95%

L’enquête mobilité certifiée CEREMA (EMC²) délivre une information de location assez fine. Elle correspond peu ou prou à la définition de l’IRIS graphique 4.1. Cette information permet donc pour d’autres motifs que le motif professionnel de construire une matrice origine destination, c’est-à-dire une information comparable à la donnée du recensement MOPBRO. Il existe cependant une nuance importante, l’EMC² repose sur un échantillon représentatif mais pas exhaustif. Or, pour construire une matrice origine destination détaillée au niveau le plus fin, il faudrait un échantillon bien plus important. En revanche pour des découpages moins fins (14 zones comme dans le découpage D10 AOTU) ou encore des découpages « fonctionnels », reposant sur la caractérisation des zones par la surface de commerce. C’est sur cette base que nous proposons d’ajuster un modèle de trajets effectifs semblable à MEAPS pour les mobilités professionnelles.

Graphique 4.1. Subdivisions de l’EMC²

4.2 Construction d’un indicateur de proximité des aménités

4.2.1 Sources de données

La première étape est d’identifier les opportunités. Une des difficultés est la versalité des motifs commerciaux associés à la grande quantité de commerces disponibles sur le territoire. Nous proposons ici d’agréger les surfaces commerciales pour chaque carreau en distinguant 4 grandes catégories de commerce. Ces catégories reprennent, avec réinterprétation, le travail réalisé par l’AUPA².
Notre source principale est celle des fichiers fonciers. Elle donne une information fine sur les secteurs utilisateur du local (code NAF à 5 caractères pour l’entreprise utilisatrice) dans lequel on peut distinguer un commerce de chaussure d’une pharmacie, une supérette d’une grande surface alimentaire.nt des couches agrégées de commerces pour des types de ménages identifiés. Elle permet d’associer au commerce une surface (variable sprincp des fichiers fonciers).

² Merci à Théo Shayer, Ludovic Verre et Luc Garnier pour nous avoir partagé leur méthodologie.

Nous classons les commerces en 4 catégories : alimentaire, commerces (non alimentaires), sorties, santé humaine.

La classification est indiquée dans le tableau 4.3. Par rapport aux choix de l’AUPA, nous avons considéré que les pharmacies étaient des commerces « ordinaires » et limité la notion de santé humaine aux cabinets médicaux (généralistes, spécialistes ou dentistes) en excluant les hôpitaux. Comme nous tenons compte de la surface, les hôpîtaux auraient dominé cette catégorie sans que cela ait vraiment du sens. Le but recherché est de quantifier l’usage habituel de la santé et donc la proximité de services de santé.

Tableau 4.3. Classification des commerces en catégories fonctionnelles

	NAF	Remarques
Alimentaire
COMMERCE DE DETAIL EN MAGASIN NON SPECIALISE A PREDOMINANCE ALIMENTAIRE	4711x	—
COMMERCE DE DETAIL EN MAGASIN SPECIALISE ALIMENTAIRE	4721x; 4722x; 4723x; 4724x; 4725x; 4729x	—
Commerces
AUTRE COMMERCE DE DETAIL EN MAGASIN NON SPECIALISE	4719x	—
AUTRE COMMERCE DE DETAIL (INFORMATIQUE TÉLÉCOM EQUIPEMENT FOYER BIENS CULT HABITS...)	474x; 475x; 476x; 477x	inclut les pharmacies
COMMERCE SPECIALISE TABAC	4726	—
BLANCHISSERIE, COIFFURE, SOIN ET ENTRETIEN CORPOREL	960xx	—
Sortie
RESTO CAFET' RAPIDE	5610x	—
DEBIT DE BOISSON	5630x	—
PROJECTION CINEMA	5914x	—
Santé humaine
8621 GÉNÉRALISTES, 8622 SPÉCIALISTES, 8623 DENTISTES	862xx	exclut les hopitaux

Les fichiers fonciers, bien que construit pour la perception d’une taxe comportent parfois des informations curieuses, pouvant laisser croire à un bruit. Par exemple, certaines surfaces commerciales sont très importantes (il existe des supérettes de plus de 100 000 m²) ou la notion de surface principale est parfois ambigue (comme le montre celle qui est retenue pour les campings). Nous utilisons donc avec prudence cette donnée en la limitant suivant certaines catégories. Ainsi, le tableau 4.4 donne les intervalles dans lesquels sont contraintes les surfaces principales.

Tableau 4.4. Limites de surface

	Code NAF	Minimum (m²)	Maximum (m²)
COMMERCE DE DETAIL DE PRODUITS SURGELES	4711A	20	500
COMMERCE D ALIMENTATION GENERALE	4711B	20	120
SUPERETTES	4711C	120	400
SUPERMARCHES	4711D	400	2500
MAGASINS MULTI-COMMERCES	4711E	50	600
HYPERMARCHES	4711F	2500	28200

Les sources alternatives aux fichiers fonciers sont :

la base des équipements. A notre connaissance, depuis le changement de nomenclature dans la base des fichiers fonciers de 2018, les fichiers fonciers excluent les entités juridiques qui n’ont pas d’activité et cette modification rapproche la source équipement de la source fichiers fonciers.
Des enquêtes sur les commerces, comme l’enquête BD COM 2020 à Paris, présentée par l’APUR. Ce type d’enquête est assez robuste car il repose sur des observations directes des surfaces commerciales ouvertes au public. En revanche, le champ géographique est habituellement trop limité (ici uniquement la commune de Paris). Nous n’avons pas connaissance d’une enquête comparable pour l’agglomération AMP.
La base de données OpenStreetMap, en accès libre. Réalisée à partir d’une information participative, elle constitue une alternative simple à mobiliser³. Dans nos analyses préliminaires, elle recoupe assez bien les fichiers fonciers tout en illustrant certains problèmes d’identification (par exemple, des établissements considérés comme « supermarchés » dans les fichiers fonciers sont répertoriés comme épicerie dans OSM et les implémentations (taille du pâté de maison) donnent plutôt raison à OSM. C’est pour limiter cet effet que nous avons cappé les surfaces.

³ Elle contient des informations également sur les trafics illégaux (stupéfiants), ce qui peut être intéressant à exploiter.

Nous tenons compte enfin de la diversité des commerces à partir de l’information des fichiers fonciers. Par exemple, pour la catégorie fonctionnelle commerce nous agrégeons les surfaces commerciales, en les multipliant par un indice de diversité qui est minimum lorsqu’une seule espèce de commerce est présente et maximal lorsque toutes les espèces sont représentées. Ce type d’indicateur est souvent utilisé en écologie. Il permet donc de donner plus de poids à un bouquet diversifié de commerce totalisant 1 000 m² plutôt qu’à un unique commerce (un garage disons) de 1 000 m².

Formellement, l’indicateur de proximité des aménités \mathcal{A} est construit comme : \mathcal{A}_c = \sum_{j \in V_{15 \space min}(i)} {s_j^\alpha} \times \left( \sum_{j \in V_{15 \space min}(i), j \in J} {\frac {1}{w_J \times p_J^2}} \right)^\beta

La première partie de l’indicateur \mathcal{A} est la somme des surfaces dans le vosinage de chaque carreau de résidents à moins de 15 minutes (en marchant ou en transport en commun). La seconde partie de l’indicateur permet de prendre en compte la diversité des commerces accessibles dans le voisinage. Le terme p_j est ainsi la part des commerces de la catégorie J (par exemple, parmi les commerces alimentaires, une boucherie, une poissonerie, une épicerie sont autant de catégories qui ont un code NAF à 5 caractères spécifiques). Le paramètre w_J accorde aux catégories un poids en diversité, permettant de compter les grandes surfaces alimentaires comme contribuant plus à la disversité qu’une surface commerciale spécialisée.

Le rôle des paramètres \alpha et \beta est de moduler l’expression \mathcal{A}_c. Plus \alpha est proche de 0, plus ce sont les commerces en tant qu’entité qui sont camptabilisés, indepandement de leur taille. Pour \alpha égal à 1, ce sont les m² de commerce qui comptent, une grande surface de 1 000 m² valant 100 fois plus qu’une échoppe de 10 m². Le paramètre \beta limite l’effet mulitplicatif de la diversité, en écrasant les écarts de diversité.

A ce stade, nous n’avons pas beaucoup d’éléments pour choisir les divers paramètres (w_i, \alpha, \beta). Nous avons fixé des valeurs a priori, afin de pouvoir étudier des variantes et évaluer la différence d’analyse produite. Nous verrons que l’indicateur est utilisé non pas en tant que tel, mais principalement par quantile, ce qui le rend insensible à des transformtations monotones.

4.2.2 Indicateur de proximité des aménités pour AMP

**Graphique** 4.2. Cartes de l’accessibilité aux aménités

**Graphique** 4.3. Corrélation entre Alimentation et autres commerces

**Graphique** 4.4. Lien densité accessibilité aux commerces

4.2.3 Courbes de Lorenz

Graphique 4.5. Courbe de Lorenz, accessibilité aux aménités

4.2.4 Indicateur et EMC²

On injecte l’indicateur de commerce alimentaire calculé dans les zones de résidence de l’EMC² AMP. On peut alors confronter les distances parcourues en voiture à la valeur moyenne de l’indicateur sur la zone. Le graphique indique une nette corrélation négative.

**Graphique** 4.6. Distance parcourue par décile d’accessibilité aux commerces alimentaires

La régression suivante confirme ce résultat :


Call:
lm(formula = log(d_car) ~ log(se), data = filter(ind_emc2, !is.na(se_q), 
    n > 10, d_car > 0))

Residuals:
    Min      1Q  Median      3Q     Max 
-5.0341 -0.4777  0.0832  0.6228  3.0761 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)   3.1730     0.1099   28.89   <2e-16 ***
log(se)      -0.2691     0.0187  -14.39   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.9838 on 628 degrees of freedom
Multiple R-squared:  0.248, Adjusted R-squared:  0.2468 
F-statistic: 207.1 on 1 and 628 DF,  p-value: < 2.2e-16

4 Déplacements pour le motif commerce

4.1 Proposition de méthode